Apprentissage automatique d'un potentiel d'ordre de liaison basé sur l'ab-initio pour le bismuthène

Le bismuthène est un matériau 2D lourd dont le fort couplage spin-orbite et la ferroélectricité monoélément récemment observée ont intensifié l'intérêt pour ses propriétés structurelles, vibrationnelles et de transport. Une modélisation précise de ces comportements nécessite un potentiel interatomique à courte portée capable de reproduire la physique sous-jacente de liaison à une fraction du coût computationnel des méthodes de premiers principes. Cependant, un tel potentiel est actuellement indisponible. Dans ce travail, nous construisons un potentiel d'ordre de liaison de Tersoff pour le β-bismuthène en utilisant un cadre d'apprentissage par renforcement intégrant une recherche arborescente de Monte Carlo continue avec un optimiseur local basé sur un simplexe. Les ensembles de paramètres optimisés reproduisent les constantes de réseau, l'énergie cohésive, l'équation d'état, les constantes élastiques et la dispersion des phonons issus des premiers principes. Nous validons les modèles par des calculs de conductivité thermique et des simulations de fracture uniaxiale ─ nos résultats confirment la fiabilité des modèles obtenus dans plusieurs régimes thermomécaniques. La comparaison des trois meilleures solutions révèle comment les différences dans les interactions par paires, les termes angulaires et le comportement d'ordre de liaison gouvernent les caractéristiques des phonons et les réponses mécaniques. Nous démontrons un potentiel interprétable et efficace en calcul pour le bismuthène et illustrons une stratégie générale d'apprentissage par renforcement pour développer des modèles d'ordre de liaison dans les matériaux 2D émergents.